CN112732854A - 一种粒子滤波bslam方法 - Google Patents

一种粒子滤波bslam方法 Download PDF

Info

Publication number
CN112732854A
CN112732854A CN202110028795.7A CN202110028795A CN112732854A CN 112732854 A CN112732854 A CN 112732854A CN 202110028795 A CN202110028795 A CN 202110028795A CN 112732854 A CN112732854 A CN 112732854A
Authority
CN
China
Prior art keywords
particle
particles
updating
track
odometer
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202110028795.7A
Other languages
English (en)
Other versions
CN112732854B (zh
Inventor
李晔
张千一
马腾
丛正
贡雨森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Engineering University
Original Assignee
Harbin Engineering University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Harbin Engineering University filed Critical Harbin Engineering University
Priority to CN202110028795.7A priority Critical patent/CN112732854B/zh
Publication of CN112732854A publication Critical patent/CN112732854A/zh
Application granted granted Critical
Publication of CN112732854B publication Critical patent/CN112732854B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/29—Geographical information databases
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/006—Theoretical aspects
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S15/00—Systems using the reflection or reradiation of acoustic waves, e.g. sonar systems
    • G01S15/88—Sonar systems specially adapted for specific applications
    • G01S15/89—Sonar systems specially adapted for specific applications for mapping or imaging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Remote Sensing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Acoustics & Sound (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
  • Navigation (AREA)

Abstract

本发明公开了一种粒子滤波BSLAM方法，包括：步骤一：算法初始化；步骤二：在每个t时刻输入对海底地形的深度测量值z(t)与里程计更新值v(t)以及里程计DR(t)后，对P(1:N)中所有粒子进行运动更新、闭环检测、观测更新、粒子历史轨迹更新；步骤三：当t时刻所有粒子都进行了步骤二后，判断是否需要进行重采样，若是：将所有经过观测更新的粒子进行重采样，t＝t+1，转入步骤二，否则t＝t+1，转入步骤二；步骤四：当t＝T时，以最终粒子集中每个粒子轨迹的平均值结合对应时刻的观测数据z(1:t)生成海底地形图并输出。本发明只需要在每一时刻输入里程计数据和由多波束声纳获得的地形测深，即可在没有先验地形图的情况下实现AUV的同步定位与建图。

Description

一种粒子滤波BSLAM方法
技术领域
本发明涉及一种粒子滤波BSLAM方法，特别是一种使用粒子自身储存轨迹进行权值更新的粒子滤波BSLAM方法，属于海底地形同步定位与建图领域。
背景技术
BSLAM以多波束声纳为传感器收集海底地形信息，从而实现智能水下机器人不依赖于外界提供信息和先验地形数据的情况下进行同步定位与建图，粒子滤波是实现这一方法的重要手段之一。但目前的粒子滤波BSLAM依赖于栅格进行地形匹配，每个粒子都需要储存一副栅格地图，这导致了算法在运行中占用了很大的内存开销，且粒子在重采样时需要复制其内部的整个栅格地图，同样造成了很大的时间开销。因此，需要一种可以在小内存和时间消耗的情况下进行BSLAM的方法。
目前针对使用粒子自身储存轨迹进行权值更新的粒子滤波BSLAM没有相关方法，较为相似的是：公开日为2020年1月24日，公开号为CN110726415A，发明名称为“一种自适应的水下多波束同步定位与建图方法”，该方法使用粒子集均值的轨迹作为算法生成的地图，但是无法处理粒子在重采样后聚类，由粒子集均值所生成轨迹不是最优轨迹的情况，而且需要在重采样后加入更新均值地图部分，算法较为复杂。
发明内容
针对上述现有技术，本发明要解决的技术问题是提供一种使用粒子自身储存轨迹进行权值更新的粒子滤波BSLAM方法，能够减少计算开销，且算法结构简单，有利于在计算资源受限的水下机器人工作。
为解决上述技术问题，本发明的一种粒子滤波BSLAM方法，包括以下步骤：
步骤一：算法初始化，包括：
1)设定粒子数N、粒子闭环检测半径R、粒子匹配子地图Mp的测线数目Np、粒子轨迹子地图Mh的测线数目Nh、算法总步数T；
2)初始化粒子集P(1:N)，对于任一粒子P(n)，n为粒子序数，其内部储存粒子当前状态
Figure BDA0002891275310000011
粒子自身历史轨迹
Figure BDA0002891275310000012
粒子权值被设定为默认值wn＝1/N，t为时间步长；
3)t＝1时刻，P(1:N)的状态
Figure BDA0002891275310000013
和自身历史轨迹被初始化为由GPS获得的先验状态GPSt＝1，
Figure BDA0002891275310000014
转入步骤二；
步骤二：在每一时刻t，2≤t≤T输入对海底的深度测量值z(t)与里程计更新值v(t)以及里程计DR(t)后，对P(1:N)中所有粒子进行操作，具体为：
1)运动更新：使用含有噪声ω的里程计模型更新
Figure BDA0002891275310000021
Figure BDA0002891275310000022
2)闭环检测：计算
Figure BDA0002891275310000023
与粒子自身历史轨迹的最小欧氏距离r，记录其对应的时刻tr，若r＜R,则进行粒子观测更新，否则该粒子n跳过观测更新且不加入重采样步骤；
3)观测更新：以
Figure BDA0002891275310000024
与里程计的轨迹
Figure BDA0002891275310000025
结合对应时刻观测
Figure BDA0002891275310000026
构成Mp；以
Figure BDA0002891275310000027
与里程计的轨迹
Figure BDA0002891275310000028
轨迹结合对应时刻观测
Figure BDA0002891275310000029
构成Mh，使用反距离加权算法对Mp在Mh相应位置进行插值，并计算wn；
4)粒子历史轨迹更新：将
Figure BDA00028912753100000210
加入粒子自身历史轨迹
Figure BDA00028912753100000211
转入步骤三；
步骤三：当t时刻所有粒子都进行了步骤二后，判断是否需要进行重采样，定义进行观测更新的粒子总数为Nth，定义有效粒子数：
Figure BDA00028912753100000212
其中
Figure BDA00028912753100000213
为第i个粒子的归一化权值，若Neff满足设定重采样条件，将所有经过观测更新的粒子进行重采样，t＝t+1，转入步骤二，否则t＝t+1，转入步骤二；
步骤四：当t＝T时，以最终粒子集中每个粒子轨迹的平均值结合对应时刻的观测数据z(1:t)生成海底地形图并输出，结束。
本发明还包括：
步骤二中观测更新具体为：
步骤2.1：输入粒子t、tr时刻状态
Figure BDA00028912753100000214
观测值序列z(1:t)，里程计轨迹DR(1:t)，转入步骤2.2；
步骤2.2：生成粒子匹配子地图轨迹：
Figure BDA00028912753100000215
并将xp与其对应的测深序列
Figure BDA00028912753100000216
结合生成粒子匹配子地图Mp；同样的，生成粒子轨迹子地图轨迹：
Figure BDA0002891275310000031
并将xh与其对应的测深序列
Figure BDA0002891275310000032
结合生成粒子轨迹子地图Mh，转入步骤2.3；
步骤2.3：使用反距离加权算法对Mp进行插值，插值位置为Mh中测点的位置，获得包含L个共有有效测点的测深序列定义为zp,定义Mh中相同位置的有效测深序列为zh，计算粒子权值：
Figure BDA0002891275310000033
其中：
Figure BDA0002891275310000034
与
Figure BDA0002891275310000035
分别为zp与zh的第l个有效测点的测深值；σ2为传感器的测量方差。
本发明的有益效果：本发明是一种基于粒子滤波的海底地形同步定位与建图方法，本发明方法只需要在每一时刻输入里程计数据和由多波束声纳获得的地形测深，即可在没有先验地形图的情况下实现AUV的同步定位与建图。本发明所提出的粒子滤波BSLAM算法基于粒子自身储存的轨迹进行粒子加权，相较于基于栅格地图的粒子滤波BSLAM算法，算法结构简单，内存占用小，计算效率高。
附图说明
图1为本发明方法流程框图；
图2为观测更新流程框图。
具体实施方式
下面结合附图对本发明具体实施方式做进一步说明。
结合图1，主程序包括如下步骤：
步骤一：算法初始化：1)设定粒子数N、粒子闭环检测半径R、粒子匹配子地图Mp的测线数目Np、粒子轨迹子地图Mh的测线数目Nh、算法总步数T。2)初始化粒子集P(1:N)，对于任一粒子P(n)(n为粒子序数)，其内部储存粒子当前状态
Figure BDA0002891275310000036
粒子自身历史轨迹
Figure BDA0002891275310000037
粒子权值被设定为默认值wn＝1/N(t为时间步长)。3)t＝1时刻，P(1:N)的状态
Figure BDA0002891275310000038
和自身历史轨迹被初始化为由GPS获得的先验状态(GPSt＝1)，
Figure BDA0002891275310000039
转入步骤二；
步骤二：在每一时刻t(2≤t≤T)输入对海底的深度测量值z(t)与里程计更新值v(t)以及里程计DR(t)后，对P(1:N)中所有粒子(以粒子n为例)进行：
1)运动更新：使用含有噪声ω的里程计模型更新
Figure BDA0002891275310000041
Figure BDA0002891275310000042
其中ω为里程计的噪声；
2)闭环检测：计算
Figure BDA0002891275310000043
与粒子自身历史轨迹的最小欧氏距离r，记录其对应的时刻tr，若r＜R,则进行粒子观测更新，否则该粒子n跳过观测更新且不加入重采样步骤。
3)观测更新：以
Figure BDA0002891275310000044
与里程计的轨迹
Figure BDA0002891275310000045
结合对应时刻观测
Figure BDA0002891275310000046
构成Mp；以
Figure BDA0002891275310000047
与里程计的轨迹
Figure BDA0002891275310000048
轨迹结合对应时刻观测
Figure BDA0002891275310000049
构成Mh，使用反距离加权算法对Mp在Mh相应位置进行插值，并计算wn。
4)粒子历史轨迹更新：将
Figure BDA00028912753100000410
加入粒子自身历史轨迹
Figure BDA00028912753100000411
转入步骤三；
步骤三：当t时刻所有粒子都进行了步骤二后，判断是否需要进行重采样。定义进行观测更新的粒子总数为Nth，定义有效粒子数：
Figure BDA00028912753100000412
其中
Figure BDA00028912753100000413
为第i个粒子的归一化权值。若
Figure BDA00028912753100000414
将所有经过观测更新的粒子进行重采样，t＝t+1，转入步骤二，否则t＝t+1，转入步骤二；
步骤四：当t＝T时，以最终粒子集中每个粒子轨迹的平均值结合对应时刻的观测数据z(1:t)生成海底地形图并输出，算法结束。
结合图2，观测更新包括如下步骤：
步骤一：输入粒子t、tr时刻状态
Figure BDA00028912753100000415
观测值序列z(1:t)，里程计轨迹DR(1:t)，转入步骤二；
步骤二：生成粒子匹配子地图轨迹：
Figure BDA00028912753100000416
并将xp与其对应的测深序列
Figure BDA00028912753100000417
结合生成粒子匹配子地图Mp；同样的，生成粒子轨迹子地图轨迹：
Figure BDA0002891275310000051
并将xh与其对应的测深序列
Figure BDA0002891275310000052
结合生成粒子轨迹子地图Mh，转入步骤三；
步骤三：使用反距离加权算法对Mp进行插值，插值位置为Mh中测点的位置，获得包含L个共有有效测点的测深序列定义为zp,定义Mh中相同位置的有效测深序列为zh。计算粒子权值：
Figure BDA0002891275310000053
其中：
Figure BDA0002891275310000054
与
Figure BDA0002891275310000055
分别为zp与zh的第l个有效测点的测深值；σ2为传感器的测量方差。算法结束。

Claims (2)

1.一种粒子滤波BSLAM方法，其特征在于，包括以下步骤：
步骤一：算法初始化，包括：
1)设定粒子数N、粒子闭环检测半径R、粒子匹配子地图Mp的测线数目Np、粒子轨迹子地图Mh的测线数目Nh、算法总步数T；
2)初始化粒子集P(1:N)，对于任一粒子P(n)，n为粒子序数，其内部储存粒子当前状态
Figure FDA0002891275300000011
粒子自身历史轨迹
Figure FDA0002891275300000012
粒子权值被设定为默认值wn＝1/N，t为时间步长；
3)t＝1时刻，P(1:N)的状态
Figure FDA0002891275300000013
和自身历史轨迹被初始化为由GPS获得的先验状态GPSt＝1，
Figure FDA0002891275300000014
转入步骤二；
步骤二：在每一时刻t，2≤t≤T输入对海底的深度测量值z(t)与里程计更新值v(t)以及里程计DR(t)后，对P(1:N)中所有粒子进行操作，具体为：
1)运动更新：使用含有噪声ω的里程计模型更新
Figure FDA0002891275300000015
Figure FDA0002891275300000016
2)闭环检测：计算
Figure FDA0002891275300000017
与粒子自身历史轨迹的最小欧氏距离r，记录其对应的时刻tr，若r＜R,则进行粒子观测更新，否则该粒子n跳过观测更新且不加入重采样步骤；
3)观测更新：以
Figure FDA0002891275300000018
与里程计的轨迹
Figure FDA0002891275300000019
结合对应时刻观测
Figure FDA00028912753000000110
构成Mp；以
Figure FDA00028912753000000111
与里程计的轨迹
Figure FDA00028912753000000112
轨迹结合对应时刻观测
Figure FDA00028912753000000113
构成Mh，使用反距离加权算法对Mp在Mh相应位置进行插值，并计算wn；
4)粒子历史轨迹更新：将
Figure FDA00028912753000000114
加入粒子自身历史轨迹
Figure FDA00028912753000000115
转入步骤三；
步骤三：当t时刻所有粒子都进行了步骤二后，判断是否需要进行重采样，定义进行观测更新的粒子总数为Nth，定义有效粒子数：
Figure FDA00028912753000000116
其中
Figure FDA00028912753000000117
为第i个粒子的归一化权值，若Neff满足设定重采样条件，将所有经过观测更新的粒子进行重采样，t＝t+1，转入步骤二，否则t＝t+1，转入步骤二；
步骤四：当t＝T时，以最终粒子集中每个粒子轨迹的平均值结合对应时刻的观测数据z(1:t)生成海底地形图并输出，结束。
2.根据权利要求1所述一种粒子滤波BSLAM方法，其特征在于：步骤二所述观测更新具体为：
步骤2.1：输入粒子t、tr时刻状态
Figure FDA0002891275300000021
观测值序列z(1:t)，里程计轨迹DR(1:t)，转入步骤2.2；
步骤2.2：生成粒子匹配子地图轨迹：
Figure FDA0002891275300000022
并将xp与其对应的测深序列
Figure FDA0002891275300000023
结合生成粒子匹配子地图Mp；同样的，生成粒子轨迹子地图轨迹：
Figure FDA0002891275300000024
并将xh与其对应的测深序列
Figure FDA0002891275300000025
结合生成粒子轨迹子地图Mh，转入步骤2.3；
步骤2.3：使用反距离加权算法对Mp进行插值，插值位置为Mh中测点的位置，获得包含L个共有有效测点的测深序列定义为zp,定义Mh中相同位置的有效测深序列为zh，计算粒子权值：
Figure FDA0002891275300000026
其中：
Figure FDA0002891275300000027
与
Figure FDA0002891275300000028
分别为zp与zh的第l个有效测点的测深值；σ2为传感器的测量方差。
CN202110028795.7A 2021-01-11 2021-01-11 一种粒子滤波bslam方法 Active CN112732854B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110028795.7A CN112732854B (zh) 2021-01-11 2021-01-11 一种粒子滤波bslam方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110028795.7A CN112732854B (zh) 2021-01-11 2021-01-11 一种粒子滤波bslam方法

Publications (2)

Publication Number Publication Date
CN112732854A true CN112732854A (zh) 2021-04-30
CN112732854B CN112732854B (zh) 2023-03-31

Family

ID=75590053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110028795.7A Active CN112732854B (zh) 2021-01-11 2021-01-11 一种粒子滤波bslam方法

Country Status (1)

Country Link
CN (1) CN112732854B (zh)

Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105509755A (zh) * 2015-11-27 2016-04-20 重庆邮电大学 一种基于高斯分布的移动机器人同步定位与地图构建方法
CN107246873A (zh) * 2017-07-03 2017-10-13 哈尔滨工程大学 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法
US20180075643A1 (en) * 2015-04-10 2018-03-15 The European Atomic Energy Community (Euratom), Represented By The European Commission Method and device for real-time mapping and localization
CN108645413A (zh) * 2018-06-06 2018-10-12 江苏海事职业技术学院 一种移动机器人的同时定位与地图创建的动态纠正方法
CN108692701A (zh) * 2018-05-28 2018-10-23 佛山市南海区广工大数控装备协同创新研究院 基于粒子滤波器的移动机器人多传感器融合定位方法
CN109084777A (zh) * 2018-09-13 2018-12-25 黎建军 基于自适应遗传算法的粒子滤波定位与地图构建方法
CN110260856A (zh) * 2019-06-26 2019-09-20 北京海益同展信息科技有限公司 一种建图方法和装置
CN110320520A (zh) * 2019-06-26 2019-10-11 哈尔滨工程大学 一种测深信息同步定位与建图的鲁棒后端图优化方法
CN110333720A (zh) * 2019-07-10 2019-10-15 国网四川省电力公司电力科学研究院 一种基于粒子滤波的slam优化方法
CN110555225A (zh) * 2019-03-28 2019-12-10 陕西理工大学 一种基于分层粒子群优化算法的rbpf-slam计算方法
CN110608742A (zh) * 2019-09-27 2019-12-24 五邑大学 基于粒子滤波slam的地图构建方法及装置
CN110726415A (zh) * 2019-10-21 2020-01-24 哈尔滨工程大学 一种自适应的水下多波束同步定位与建图方法
CN110763239A (zh) * 2019-11-14 2020-02-07 华南智能机器人创新研究院 滤波组合激光slam建图方法及装置
CN111044036A (zh) * 2019-12-12 2020-04-21 浙江大学 基于粒子滤波的远程定位方法
US20200158862A1 (en) * 2018-11-19 2020-05-21 Invensense, Inc. Method and system for positioning using radar and motion sensors

Patent Citations (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180075643A1 (en) * 2015-04-10 2018-03-15 The European Atomic Energy Community (Euratom), Represented By The European Commission Method and device for real-time mapping and localization
CN105509755A (zh) * 2015-11-27 2016-04-20 重庆邮电大学 一种基于高斯分布的移动机器人同步定位与地图构建方法
CN107246873A (zh) * 2017-07-03 2017-10-13 哈尔滨工程大学 一种基于改进的粒子滤波的移动机器人同时定位与地图构建的方法
CN108692701A (zh) * 2018-05-28 2018-10-23 佛山市南海区广工大数控装备协同创新研究院 基于粒子滤波器的移动机器人多传感器融合定位方法
CN108645413A (zh) * 2018-06-06 2018-10-12 江苏海事职业技术学院 一种移动机器人的同时定位与地图创建的动态纠正方法
CN109084777A (zh) * 2018-09-13 2018-12-25 黎建军 基于自适应遗传算法的粒子滤波定位与地图构建方法
US20200158862A1 (en) * 2018-11-19 2020-05-21 Invensense, Inc. Method and system for positioning using radar and motion sensors
CN110555225A (zh) * 2019-03-28 2019-12-10 陕西理工大学 一种基于分层粒子群优化算法的rbpf-slam计算方法
CN110320520A (zh) * 2019-06-26 2019-10-11 哈尔滨工程大学 一种测深信息同步定位与建图的鲁棒后端图优化方法
CN110260856A (zh) * 2019-06-26 2019-09-20 北京海益同展信息科技有限公司 一种建图方法和装置
CN110333720A (zh) * 2019-07-10 2019-10-15 国网四川省电力公司电力科学研究院 一种基于粒子滤波的slam优化方法
CN110608742A (zh) * 2019-09-27 2019-12-24 五邑大学 基于粒子滤波slam的地图构建方法及装置
CN110726415A (zh) * 2019-10-21 2020-01-24 哈尔滨工程大学 一种自适应的水下多波束同步定位与建图方法
CN110763239A (zh) * 2019-11-14 2020-02-07 华南智能机器人创新研究院 滤波组合激光slam建图方法及装置
CN111044036A (zh) * 2019-12-12 2020-04-21 浙江大学 基于粒子滤波的远程定位方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
J. JANG 等: "Weighted Grid Partitioning for Panel-Based Bathymetric SLAM", 《OCEANS 2019 - MARSEILLE》 *
S. BARKBY 等: "Bathymetric SLAM with no map overlap using Gaussian Processes", 《2011 IEEE/RSJ INTERNATIONAL CONFERENCE ON INTELLIGENT ROBOTS AND SYSTEMS》 *
王丹丹: "水下无人潜器同步定位与地图生成方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》 *
赵新洋: "基于激光雷达的同时定位与室内地图构建算法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *
马腾 等: "AUV的图优化海底地形同步定位与建图方法", 《导航定位与授时》 *

Also Published As

Publication number Publication date
CN112732854B (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Li et al. Robust time-varying formation control for underactuated autonomous underwater vehicles with disturbances under input saturation
CN112558612B (zh) 一种基于云模型量子遗传算法的异构智能体编队控制方法
CN110726415B (zh) 一种自适应的水下多波束同步定位与建图方法
CN109917657A (zh) 动力定位船舶的抗干扰控制方法、装置与电子设备
CN112612290A (zh) 一种考虑洋流的水下航行器三维多任务路径规划方法
CN110298134A (zh) 提高水下机器人自航对接瞬态运动预报的数值方法
WO2021065538A1 (ja) 点群データ同一性推定装置及び点群データ同一性推定システム
CN110220510A (zh) 一种考虑地图准确性的水下机器人海底地形匹配导航路径规划方法
CN115855049A (zh) 基于粒子群优化鲁棒滤波的sins/dvl导航方法
CN111025909B (zh) 船舶运动控制系统的Kalman三自由度解耦滤波方法
Gao et al. Cruise speed estimation strategy based on multiple fuzzy logic and extended state observer for low-cost AUV
CN114397899A (zh) 一种仿生机器鱼三维路径跟踪控制方法及装置
CN113008223B (zh) 基于粒子滤波与图优化的海底地形同步定位与建图方法
CN112732854B (zh) 一种粒子滤波bslam方法
CN110481561A (zh) 无人驾驶车辆自动控制信号生成方法和装置
CN116466701A (zh) 一种无人水面艇能耗最小轨迹规划方法
CN113847915B (zh) 一种捷联惯导/多普勒组合导航系统的导航方法
CN116295414A (zh) 基于鲸鱼算法优化的AUV-UFastSLAM算法
Zang et al. Research on constraining strategies of underwater glider's trajectory under the influence of ocean currents based on dqn algorithm
CN116243717A (zh) 考虑海流不确定性的水下机器人时间最优路径规划方法
CN112947448B (zh) 一种无人船集群协同包围多目标模糊控制器结构及设计方法
CN114137826A (zh) 一种基于灰狼算法的船舶动力定位自抗扰控制方法
Chen et al. Path planning of underwater terrain-aided navigation based on improved artificial potential field method
WO2021109166A1 (zh) 三维激光定位方法及系统
Lin et al. Estimation of observer parameters for dynamic positioning ships

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant